红外图像中弱小目标检测前跟踪算法研究综述概要说课材料.docx

红外图像中弱小目标检测前跟踪算法研究综述概要说课材料.docx

《红外图像中弱小目标检测前跟踪算法研究综述概要说课材料.docx》由会员分享，可在线阅读，更多相关《红外图像中弱小目标检测前跟踪算法研究综述概要说课材料.docx（8页珍藏版）》请在冰豆网上搜索。

红外图像中弱小目标检测前跟踪算法研究综述概要说课材料

第37卷　第2期　　　　　　　　　　　　　　　激光与红外Vol.37,No.2　2007年2月　　　　　　　　　　　　　　LASER　&　INFRAREDFebruary,2007

　　文章编号:

100125078（2007022*******

红外图像中弱小目标检测前跟踪算法研究综述

张长城,杨德贵,王宏强

（国防科技大学电子科学与工程学院,空间电子信息技术研究所,湖南长沙410073

摘　要:

文中分析了低信噪比复杂背景中红外弱小目标检测与跟踪的难点,比较了DBT与

TBD两种检测与跟踪算法的性能,分析了TBD的检测机理,总结了典型的TBD方法,展望了

TBD的发展。

关键词:

红外;弱小目标;低信噪比;复杂背景;检测前跟踪

中图分类号:

TP751　　　文献标识码:

A

AlgorithmSurveysforDimTargets

Track2before2detectinInfraredImage

ZHANGChang2cheng,YANGDe2gui,WANGHong2qiang

（InstituteofSpaceElectronicTechnology,CollegeofElectricScienceandEngineering,NUDT,Changsha410073,China

Abstract:

Thedifficultiesofdimtargetdetectionareanalyzedinthepaper.TheperformancesofDBTandTBDare

compared,andthetheoryofTBDareanalyzed.ThemainmethodsofTBDaresummarized.Intheend,promisingdi2

rectionofthefieldofTBDispredicted.

Keywords:

infrared;dimtarget;lowSNR;complicatedbackground;TBD

1　引　言

现代战争要求红外探测系统能远距离发现、跟踪威胁目标,为指挥系统决策和武器系统赢得时间。

红外探测系统采用被动方式工作,具有较强的抗干扰能力,隐蔽性好,但作用距离短。

由于光学系统的空间分辨率已做到或接近理论极限水平[1],比较实际的方法就是通过提高目标检测算法性能,尤其是弱小目标的检测性能,弥补红外探测系统作用距离短的不足。

“弱”和“小”指的是目标属性的两个方面,所谓“弱”是指目标红外辐射的强度,反映到图像上是指目标的灰度;所谓“小”是指目标的尺寸,反映到图像上是指目标所占的像素数[2]。

红外弱小目标检测识别难点是:

对比度较低、边缘模糊、信号强度弱,缺乏纹理、形状、大小等结构信息,目标极易被噪声所淹没,单帧检测虚警率高,多帧处理增加了数据的存储量和计算量,固定的模板和算子很难有效检测弱小目标。

因而,红外弱小目标检测与跟踪问题成为当前研究的一个热点问题。

本文在综合国内外近年来对红外弱小目标检测与跟踪研究成果基础上,根据检测与跟踪关系,对TBD（track2before2detect和DBT（detect2before2track两类算法性能进行了比较,分析了检测前跟踪算法机理,重点研究了TBD技术,并指出TBD技术的发展方向。

2　检测算法机理

经典的小目标检测与跟踪方法是DBT,即先根据检测概率和虚警概率计算单帧图像的检测门限,然后对每帧图像进行分割,并将目标的单帧检测结果与目标运动轨迹进行关联,最后进行目标跟踪。

算法流程如图1所示

。

图1　先检测后跟踪算法流程

　　基金项目:

国防预研基金（51401010405KG0170;国防装备预先研究项目（413010701-2。

　　作者简介:

张长城（1976-,男,国防科技大学硕士研究生,主要研究方向为红外图像采集处理及目标识别等。

　　收稿日期:

2006205231;修订日期:

2006207205

DBT方法流程直观,算法简单,在信噪比较高（>10dB时检测效果较好,而在低信噪比复杂背景中将会失效[3],这是由于在低信噪比条件下获取的小目标与背景的灰度相差不大,在目标分割时,如果检测门限过低,会把一部分背景当成目标,检测门限过高,则有可能造成目标丢失[4]。

目前人们较多采用TBD方法来检测图像中低信噪比弱小目标,这种方法对单帧图像中有无目标先不进行判断,而是先对图像中较多的可能轨迹同时进行跟踪,然后根据检测概率、虚警概率和信噪比计算出多帧图像的检测门限进行决策。

在低信噪比情况下,TBD的检测性能优于DBT,二者性能比较如表1所示。

表1　DBT与TBD检测性能比较

跟踪前检测方法（DBT检测前跟踪方法（TBD

优点1先进行单帧检测

2算法简单

3实现容易

1虚警概率低,检测概率高

2抗干扰能力强

3适用于低信噪比的弱小目标

缺点1抗干扰能力差

2虚警概率高,检测概率低

3适用于信噪比较高的小目标

1需要多帧检测,算法复杂

2计算量大,存储量大

3硬件实现较难

　　TBD方法概括起来包含三个步骤（如图2所示:

一是背景抑制,通过滤波将红外图像低频和高频部分进行分离,提高信噪比,尽可能抑制原始图像中的低频背景杂波干扰;二是可疑目标跟踪,利用相邻几帧中目标的运动信息来分割可能目标,从背景抑制后的图像中分割出少量候选目标进行跟踪[5];三是目标检测,利用序列图像中目标运动的连续性和轨迹的一致性,进一步排除虚假目标,从候选目标中检测出真正的目标。

图2　红外弱小目标TBD算法设计流程

3　TBD典型检测方法

3.1　基于三维匹配滤波器方法[6]

这种算法是在加性背景杂波及噪声的图像序列中检测已知速度大小和方向目标的最优三维线性匹配滤波器。

其原理是:

针对目标所有可能的运动情况设计多个滤波器,从中选出输出信噪比最大的滤波器,确定目标位置和运动轨迹。

这种方法可以实现多条航迹的同时检测。

三维滤波器的典型例子是速度滤波器,当目标航迹的速度与方向已知时,匹配滤波器能很好地从噪声中检测出目标,当目标的速度及航向未知时,检测性能会下降。

解决方法是采用一组滤波器[7],每个滤波器与空间可能的航迹相对应,通过搜索可检测出直线航迹。

文献[8]提出了递推速度匹配器算法,能快速得到目标轨迹的能量,缩短目标检测时间,减小运算量。

其优点是检测性能高,缺点是需要大量的匹配滤波器对目标进行检测,而且只适用于作匀速直线运动的固定大小目标。

3.2　基于多级假设检验方法[9]

多级假设检验（MultistageHypothesisTesting,MSHT是假设目标作局部匀速直线运动,根据限定的速度及方向,将多个可能的目标轨迹按照“树”的结构组织起来,在树形结构的每一层用假设检验方法对结构进行修正,随时去掉没有通过检验的树,以减少计算量和存储量。

检测的方法是:

沿着轨迹上的像素灰度累加值与两个门限进行比较,超过上门限的轨迹认为是目标轨迹,低于下门限的轨迹作为噪声轨迹,介于上下门限之间的轨迹继续延伸,在下一帧上进行同样的判断。

MSHT是一种高效算法[10],计算量小,存储量少,具有同时检测出多个作不同方向直线运动的目标的能力。

但在低信噪比下,候选目标轨迹的起始点非常多,导致后面的“树叉”急剧增多,计算量迅速增大,同时在检测过程中会出现检测帧数大于固定长度假设检验算法帧数。

Blostein[11]利用截断序贯算法在检测到第K帧时,就做出目标存在与否的硬判断,较好地克服了出现检测帧数大于假设检验算法帧数的问题。

3.3　基于高阶相关方法

高阶相关算法是利用目标轨迹点的时空相关性,计算不同帧之间的高阶相关性,在有噪声的三维图像中检测出直线或曲线轨迹[12]。

检测方法是先将灰度图像通过门限处理变成二值图像,然后逐帧计算相邻两帧之间的相关结果。

但在进行高阶相关运算时,若阶数太高,计算量和存储量都增大;若阶数太低,会造成虚警率的上升。

文献[13]提出了多阶段目标轨迹融合算法,利用高阶相关滤波器剔除噪声和杂波边缘,有效降低虚警,快速锁定目标。

此外,算法的实现依赖于神经网络,伴随跟踪轨迹的加长,神经网络层数增多,导致计算量急剧增长,难以满足实时性的要求。

文献[14]提出了有向高阶相关算法,根据目标运动特性,适当增加约束条件,减少了运算量。

高阶相关检测方法的优点是不需要关于目标数目、动态信息和起始条件的先验知识,能用于不同杂波密度下的多目标检测;缺点是它处理的是二值图像,没有充分考虑到目标的灰度信息。

在转化时,如果阈值过高,则漏警率高;阈值过低,则运算量大。

激光与红外　No.2　2007　　　张长城　杨德贵

3.4　基于动态规划方法

动态规划检测方法是由Barniv首先提出来的[15],利用动态规划分段优化的思想,将目标轨迹搜索问题分解为分级优化的问题。

该方法依据最大概率准则设定一个评价函数,对评价函数作了一定阶段的递推后,找到所有可能的片断,然后逆向反推,得到可能目标运动轨迹,然后对这些轨迹进行直线拟合,剔除非直线轨迹,并把同一目标产生的轨迹合并,得到检测结果。

文献[16]提出的改进动态规划方法不仅简化了搜索累加过程,而且略去了回溯过程,改为并行处理,在保证虚警和检测概率的同时减少了动态规划的计算量和存储量,提高了运算速度。

基于动态规划检测方法是基于像素级的操作运算,便于硬件实现,能在低信噪比下检测出做直线运动的点目标轨迹且计算量小,但目标速度未知时,计算过程中所需速度窗参数无法确定,而将速度的参数放宽时,计算量将迅速增大,并导致算法检测性能降低,同时对目标轨迹进行反向跟踪时需要较大的存储量。

因此,Tonissen[17]1996年发表文章指出,动态规划算法在信噪比很低时,无论如何增加帧数都无法提高目标检测的性能。

3.5　基于投影变换方法

投影变换方法是通过某种形式的投影变换或逻辑运算,先将三维空间轨迹检测转化为二维平面轨迹检测问题,然后对二维平面内的轨迹进行搜索,实现能量积累和门限处理。

检测方法是每一帧图像经过门限处理,检测出投影在同一个平面上的点,再对投影平面进行门限处理,采取计算量较小的后处理方法检测出目标运动的轨迹,最后采用投影法确定目标轨迹在三维空间的大致范围,将检测出的目标轨迹还原到三维空间进行匹配滤波。

文献[18]采用了Hough变换的后处理方法来减少计算量。

文献[19]、[20]分别提出了一种基于最优分布变换和数学形态的弱点状目标检测技术,将时空三维搜索简化为沿时间轴投影与二维空域搜索,提高了算法处理速度。

这种方法的优点是避免投影法因SNR的损失造成的处理能力下降,大大减少了三维搜索检测过程中的数据量和存储量,利于硬件实时处理;缺点是在噪声较强和目标帧间位移较大时,检测性能下降得很厉害。

3.6　基于时域滤波方法

时域滤波算法是利用背景杂波、噪声及目标像素点在时间上有着不同的特征来检测弱小目标的。

检测方法是当目标经过某一像素点时,靠近该像素点时会出现幅值上升,离开该像素点时幅值下降,从而出现先升后降的特性,而背景则无此特征,时域滤波正是利用此差别进行检测的[21]。

但时域滤波算法没有充分利用小目标与背景在空间上的特征差别,而且算法要求图像帧速快,否则目标在某像素点只能引起幅值突跳,无法可靠地将目标与噪声进行区分。

文献[21]采用长短两个尺度的时域递归滤波器对像素灰度沿时间轴进行滤波处理,降低了计算的复杂度和存在空间。

文献[22]提出了一种基于时空域融合滤波的小目标检测算法。

算法在空域上利用形态学Top-hat滤波抑制背景增强目标,在时域上通过改进帧间差分方法增强运动目标,时空域处理结果融合分割后,根据目标运动的连续性和规则性,利用相